触宝科技基于Apache Hudi的流批一体架构实践
1. 前言
当前公司的大数据实时链路如下图，数据源是MySQL数据库，然后通过Binlog Query的方式消费或者直接客户端采集到Kafka，最终通过基于Spark/Flink实现的批流一体计算引擎处理，最后输出到下游对应的存储。
2. 模型特征架构的演进
2.1 第一代架构
广告业务发展初期，为了提升策略迭代效率，整理出一套通用的特征生产框架，该框架由三部分组成：特征统计、特征推送和特征获取模型训练。如下图所示：
- 客户端以及服务端数据先通过统一服务Sink到HDFS上
- 基于基HDFS数据，统计特定维度的总量、分布等统计类特征并推送到Codis中
- 从Codis中获取特征小时维度模型增量Training，读取HDFS文件进行天级别增量Training
该方案能够满足算法的迭代，但是有以下几个问题
- 由于Server端直接Put本地文件到HDFS上无法做到根据事件时间精准分区，导致数据源不同存在口径问题
- 不可控的小文件、空文件问题
- 数据格式单一，只支持json格式
- 用户使用成本较高，特征抽取需要不断的Coding
- 整个架构扩展性较差
为解决上述问题，我们对第一版架构进行了演进和改善，构建了第二版批流一体架构。
2.2 第二代架构
2.2.1 批流一体平台的构建
首先将数据链路改造为实时架构，将Spark Structured Streaming(下文统一简称SS)与Flink SQL语法统一，同时实现与Flink SQL语法大体上一致的批流一体架构，并且做了一些功能上的增强与优化。
为什么有了Flink还需要支持SS呢？主要有以下几点原因
- Spark生态相对更完善，当然现在Flink也做的非常好了
- 用户使用习惯问题，有些用户对从Spark迁移到Flink没有多大诉求
- SS Micro Batch引擎的抽象做批流统一更加丝滑
- 相比Flink纯内存的计算模型，在延迟不敏感的场景Spark更友好
这里举一个例子，比如批流一体引擎SS与Flink分别创建Kafka table并写入到ClickHouse，语法分别如下
Spark Structured Streaming语法如下
--Spark Structured Streaming
CREATE STREAM spark (
ad_id STRING,
ts STRING,
event_ts as to_timestamp(ts)
) WITH (
\'connector\' = \'kafka\',
\'topic\' = \'xx\',
\'properties.bootstrap.servers\'=\'xx\',
\'properties.group.id\'=\'xx\',
\'startingOffsets\'=\'earliest\',
\'eventTimestampField\' = \'event_ts\',
\'watermark\' = \'60 seconds\',
\'format\'=\'json\'
);
create SINK ck(
ad_id STRING,
ts STRING,
event_ts timestamp
) WITH(
\'connector\'=\'jdbc\',
\'url\'=\'jdbc:clickhouse://host:port/db\',
\'table-name\'=\'table\',
\'username\'=\'user\',
\'password\'=\'pass\',
\'sink.buffer-flush.max-rows\'=\'10\',
\'sink.buffer-flush.interval\' = \'5s\',
\'sink.parallelism\' = \'3\'
\'checkpointLocation\'= \'checkpoint_path\',
);
insert into ck select * from spark ;
Flink SQL语法如下
CREATE TABLE flink (
ad_id STRING,
ts STRING,
event_ts as to_timestamp(ts)
)
WITH (
\'connector\' = \'kafka\',
\'topic\' = \'xx\',
\'properties.bootstrap.servers\'=\'xx\',
\'properties.group.id\'=\'xx\',
\'scan.topic-partition-discovery.interval\'=\'300s\',
\'format\' = \'json\'
);
CREATE TABLE ck (
ad_id VARCHAR,
ts VARCHAR,
event_ts timestamp(3)
PRIMARY KEY (ad_id) NOT ENFORCED
) WITH (
\'connector\'=\'jdbc\',
\'url\'=\'jdbc:clickhouse://host:port/db\',
\'table-name\'=\'table\',
\'username\'=\'user\',
\'password\'=\'pass\',
\'sink.buffer-flush.max-rows\'=\'10\',
\'sink.buffer-flush.interval\' = \'5s\',
\'sink.parallelism\' = \'3\'
);
insert into ck select * from flink ;
2.2.2 模型特征处理新架构
新的模型特征处理采用批流一体的架构，上游对接数据源还是Kafka，模型主要有两个诉求
- **支持增量读取方式减少模型更新的实效性 **
- 利用CDC来实现特征的回补
整个流程如下图
2.2.3 Hudi、Delta还是Iceberg
3个项目都是目前活跃的开源数据湖方案，feature to feature的展开详细说篇幅太长，大致列举一下各自的优缺点。
其实通过对比可以发现各有优缺点，但往往会因为诉求不同，在实际落地生产时3种选型会存在同时多个共存的情况，为什么我们在模型特征的场景最终选择了Hudi呢？主要有以下几点
- 国内Hudi社区非常活跃，问题可以很快得到解决
- Hudi对Spark2的支持更加友好，公司算法还是Spark2为主
- 算法希望有增量查询的能力，而增量查询能力是Hudi原生主打的能力，与我们的场景非常匹配
- Hudi非常适合CDC场景，对CDC场景支持非常完善
2.2.4 方案上线
我们计划用Spark跟Flink双跑，通过数据质量以及资源成本来选择合适的计算引擎。选择的一个case是广告曝光ed流跟用户点击Click流Join之后落地到Hudi，然后算法增量查询抽取特征更新模型。
2.2.4.1 Flink方案
最初我们用的是Flink 1.12.2 + Hudi 0.8.0，但是实际上发现任务跑起来并不顺利，使用master最新代码0.9.0-SNAPSHOT之后任务可以按照预期运行，运行的Flink SQL如下
CREATE TABLE ed (
`value` VARCHAR,
ts as get_json_object(`value`,\'$.ts\'),
event_ts as to_timestamp(ts),
WATERMARK FOR event_ts AS event_ts - interval \'1\' MINUTE,
proctime AS PROCTIME()
)WITH (
\'connector\' = \'kafka\',
\'topic\' = \'ed\',
\'scan.startup.mode\' = \'group-offsets\',
\'properties.bootstrap.servers\'=\'xx\',
\'properties.group.id\'=\'xx\',
\'scan.topic-partition-discovery.interval\'=\'100s\',
\'scan.startup.mode\'=\'group-offsets\',
\'format\'=\'schemaless\'
);
CREATE TABLE click (
req_id VARCHAR,
ad_id VARCHAR,
ts VARCHAR,
event_ts as to_timestamp(ts),
WATERMARK FOR event_ts AS event_ts - interval \'1\' MINUTE,
proctime AS PROCTIME()
)WITH (
\'connector\' = \'kafka\',
\'topic\' = \'click\',
\'properties.bootstrap.servers\'=\'xx\',
\'scan.startup.mode\' = \'group-offsets\',
\'properties.bootstrap.servers\'=\'xx\',
\'properties.group.id\'=\'xx\',
\'scan.topic-partition-discovery.interval\'=\'100s\',
\'format\'=\'json\'
);
CREATE TABLE hudi(
uuid VARCHAR,
ts VARCHAR,
json_info VARCHAR,
is_click INT,
dt VARCHAR,
`hour` VARCHAR,
PRIMARY KEY (uuid) NOT ENFORCED
)
PARTITIONED BY (dt,`hour`)
WITH (
\'connector\' = \'hudi\',
\'path\' = \'hdfs:///xx\',
\'write.tasks\' = \'10\',
\'write.precombine.field\'=\'ts\',
\'compaction.tasks\' = \'1\',
\'table.type\' = \'COPY_ON_WRITE\'
);
insert into hudi
SELECT concat(req_id, ad_id) uuid,
date_format(event_ts,\'yyyyMMdd\') AS dt,
date_format(event_ts,\'HH\') `hour`,
concat(ts, \'.\', cast(is_click AS STRING)) AS ts,
json_info,is_click
FROM (
SELECT
t1.req_id,t1.ad_id,t1.ts,t1.json_info,
if(t2.req_id <> t1.req_id,0,1) as is_click,
ROW_NUMBER() OVER (PARTITION BY t1.req_id,t1.ad_id,t1.ts ORDER BY if(t2.req_id <> t1.req_id,0,1) DESC) as row_num
FROM
(select ts,event_ts,map_info[\'req_id\'] req_id,map_info[\'ad_id\'] ad_id, `value` as json_info from ed,LATERAL TABLE(json_tuple(`value`,\'req_id\',\'ad_id\')) as T(map_info)) t1
LEFT JOIN
click t2
ON t1.req_id=t1.req_id and t1.ad_id=t2.ad_id
and t2.event_ts between t1.event_ts - INTERVAL \'10\' MINUTE and t1.event_ts + INTERVAL \'4\' MINUTE
) a where a.row_num=1;
标注：上述SQL中有几处与官方SQL不一致，主要是实现了统一规范Schema为一列的Schemaless的Format、与Spark/Hive语义基本一致的get_json_object以及json_tuple UDF，这些都是在批流一体引擎做的功能增强的一小部分。
但是在运行一周后，面临着业务上线Delay的压力以及暴露出来的两个问题让我们不得不先暂时放弃Flink方案
- 任务反压的问题（无论如何去调整资源似乎都会出现严重的反压，虽然最终我们通过在写入Hudi之前增加一个upsert-kafka的中间流程解决了，但链路过长这并不是我们预期内的）
- 还有一点是任务存在丢数据的风险，对比Spark方案发现Flink会有丢数据的风险
标注：这个case并非Flink集成Hudi不够，国内已经有很多使用Flink引擎写入Hudi的实践，但在我们场景下因为为了确保上线时间，没有太多时间细致排查问题。实际上我们这边Kafka -> Hive链路有95%的任务都使用Flink替代了Spark Structured Streaming(SS)
2.2.4.2 Spark方案
由于没有在Hudi官方网站上找到SS集成的说明，一开始笔者快速实现了SS与Hudi的集成，但是在通读Hudi代码之后发现其实社区早已有了SS的完整实现，另外咨询社区同学leesf之后给出的反馈是当前SS的实现也很稳定。稍作适配SS版本的任务也在一天之内上线了，任务SQL如下
CREATE STREAM ed (
value STRING,
ts as get_json_object(value,\'$.ts\'),
event_ts as to_timestamp(get_json_object(value,\'$.ts\'))
) WITH (
\'connector\' = \'kafka\',
\'topic\' = \'ed\',
\'properties.bootstrap.servers\'=\'xx\',
\'properties.group.id\'=\'xx\',
\'startingOffsets\'=\'earliest\',
\'minPartitions\' = \'60\',
\'eventTimestampField\' = \'event_ts\',
\'maxOffsetsPerTrigger\' = \'250000\',
\'watermark\' = \'60 seconds\',
\'format\'=\'schemaless\'
);
CREATE STREAM click (
req_id STRING,
ad_id STRING,
ts STRING,
event_ts as to_timestamp(ts)
) WITH (
\'connector\' = \'kafka\',
\'topic\' = \'click\',
\'properties.bootstrap.servers\'=\'xxxx\'properties.group.id\'=\'dw_ad_algo_naga_dsp_ed_click_rt\',
\'startingOffsets\'=\'earliest\',
\'maxOffsetsPerTrigger\' = \'250000\',
\'eventTimestampField\' = \'event_ts\',
\'minPartitions\' = \'60\',
\'watermark\' = \'60 seconds\',
\'format\'=\'json\'
);
--可以动态注册python、java、scala udf
create python function py_f with (
\'code\' = \'
def apply(self,m):
return \'python_{}\'.format(m)
\',
\'methodName\'= \'apply\',
\'dataType\' = \'string\'
);
create SINK hudi(
uuid STRING,
dt STRING,
hour STRING,
ts STRING,
json_info STRING,
is_click INT
) WITH (
\'connector\'=\'hudi\',
\'hoodie.table.name\' = \'ed_click\',
\'path\' =\'hdfs:///xx\',
\'hoodie.datasource.write.recordkey.field\' = \'uuid\',
\'hoodie.datasource.write.precombine.field\' = \'ts\',
\'hoodie.datasource.write.operation\' = \'upsert\',
\'hoodie.datasource.write.partitionpath.field\' = \'dt,hour\',
\'hoodie.datasource.write.keygenerator.class\'= \'org.apache.hudi.keygen.ComplexKeyGenerator\',
\'hoodie.datasource.write.table.type\' = \'COPY_ON_WRITE\',
\'hoodie.datasource.write.hive_style_partitioning\'=\'true\',
\'hoodie.datasource.write.streaming.ignore.failed.batch\'=\'false\',
\'hoodie.keep.min.commits\'=\'120\',
\'hoodie.keep.max.commits\'=\'180\',
\'hoodie.cleaner.commits.retained\'=\'100\',
--\'hoodie.datasource.write.insert.drop.duplicates\' = \'true\',
--\'hoodie.fail.on.timeline.archiving\'=\'false\',
--\'hoodie.datasource.hive_sync.table\'=\'true\',
-- \'hoodie.datasource.hive_sync.database\'=\'ods_test\',
-- \'hoodie.datasource.hive_sync.table\'=\'ods_test_hudi_test2\',
-- \'hoodie.datasource.hive_sync.use_jdbc\'=\'false\',
-- \'hoodie.datasource.meta.sync.enable\' =\'true\',
-- \'hoodie.datasource.hive_sync.partition_fields\'=\'dt,hour\',
-- \'hoodie.datasource.hive_sync.partition_extractor_class\'=\'org.apache.hudi.hive.MultiPartKeysValueExtractor\',
\'trigger\'=\'30\',
\'checkpointLocation\'= \'checkpoint_path\'
);
INSERT INTO
hudi
SELECT
concat(req_id, ad_id) uuid,
date_format(ts,\'yyyyMMdd\') dt,
date_format(ts,\'HH\') hour,
concat(ts, \'.\', cast(is_click AS STRING)) AS ts,
json_info,
is_click
FROM
(
SELECT
t1.req_id,
t1.ad_id,
t1.ts,
t1.json_info,
IF(t2.req_id is null, 0, 1) AS is_click
FROM
(select ts,event_ts,req_id,ad_id,value as json_info from ed
lateral view json_tuple(value,\'req_id\',\'ad_id\') tt as req_id,ad_id) t1
LEFT JOIN click t2 ON t1.req_id = t2.req_id
AND t1.ad_id = t2.ad_id
AND t2.event_ts BETWEEN t1.event_ts - INTERVAL 10 MINUTE
AND t1.event_ts + INTERVAL 4 MINUTE
) tmp;
标注：Spark批流一体引擎在流语法上尽量与Flink对齐，同时我们实现了python/java/scala多语言udf的动态注册以方便用户使用
3. 新方案收益
通过链路架构升级，基于Flink/Spark + Hudi的新的流批一体架构带来了如下收益
- 构建在Hudi上的批流统一架构纯SQL化极大的加速了用户的开发效率
- Hudi在COW以及MOR不同场景的优化让用户有了更多的读取方式选择，增量查询让算法可以实现分钟级别的模型更新，这也是用户的强烈诉求
- 利用SS以及Flink的事件时间语义抹平了口径上的Gap
- Hudi自动Compact机制+小文件智能处理，对比第一版实现甚至对比需要手动Compact无疑极大的减轻了工程负担
4. 踩过的坑
- 写Hudi重试失败导致数据丢失风险。解决办法：
hoodie.datasource.write.streaming.ignore.failed.batch设置为false，不然Task会间隔hoodie.datasource.write.streaming.retry.interval.ms(默认2000)重试hoodie.datasource.write.streaming.retry.count(默认3) - 增量查询Range太大，导致算法任务重试1小时之前的数据获取到空数据。解决办法：调大保留版本数对应参数为
hoodie.keep.min.commits、hoodie.keep.max.commits调大cleanup retention版本数对应参数为hoodie.cleaner.commits.retained - Upsert模式下数据丢失问题。解决办法：
hoodie.datasource.write.insert.drop.duplicates设置为false，这个参数会将已经存在index的record丢弃，如果存在update的record会被丢弃 - Spark读取hudi可能会存在path not exists的问题，这个是由于cleanup导致的，解决办法：调整文件版本并进行重试读取
5. 未来规划
基于Hudi线上运行的稳定性，我们也打算基于Hudi进一步探索流批一体的更多应用场景，包括
- 使用Hudi替代Kafka作为CDC实时数仓Pipeline载体
- 深度结合Hive以及Presto，将Hive表迁移为基于Hudi的架构，以解决分区小文件以及产出失效的问题
- 探索Flink+Hudi作为MySQL Binlog归档方案
- 探索Z-Order加速Spark在多维查询上的性能表现
版权声明：本文为leesf456原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。